21世纪以来,随着人民生活水平的提高,人民对于衣物的需求量越来越大,也促使织物的产量变得越来越大。为了满足这种现状,织物的生产过程逐渐智能化,其中,一个关键环节就是对织物缺陷进行检测。现在国内大部分企业选择传统的人眼检测法,但是这种方式易受检测人员的主观影响,同时也极其考验检测人员的体力与眼力,因而造成了检测效率及精度低下的后果。为了解决上述问题,越来越多的学者将机器视觉技术应用在缺陷检测领域,且在此领域取得了突出的成果。因此,本文选择将机器视觉技术应用于织物缺陷检测问题上。本文主要工作内容如下:（1）针对织物表面缺陷检测准确率和效率都偏低的问题,提出一种基于二进制随机漂移粒子群优化算法（Binary Random Drift Particle Swarm Optimization,BRDPSO）的同步特征选择与参数优化方法。该算法在原始特征集上进行特征选择,同时优化随机森林分类器（Random Forest,RF）的参数,并以随机森林分类准确率指导BRDPSO算法的搜索。最后用最优参数构建的RF对挑选出的特征子集进行织物表面缺陷检测。实验结果表明,同步特征选择与参数优化的BRDPSO算法可以更有效地提高织物表面缺陷检测准确率和效率。（2）针对之前的算法研究存在局限性的问题,即所提算法仅仅只能对某一种缺陷类型进行检测,提出了将BRDPSO算法与孤立森林（IF）算法相结合,实现在原始特征集上进行特征选择的同时,优化IF分类器的参数,并以分类评价指标AUC分数值指导BRDPSO算法的搜索。在图像处理阶段,添加了最优Gabor滤波器的卷积操作,使得织物图像背景与缺陷区域更容易区分,经过多次实验证明,该方法提高了缺陷检测的准确度。（3）近年来,深度学习卷积神经网络（CNN）在分类检测问题上展现出了比传统机器学习更强大的能力。因此提出了使用深度支持向量数据描述（Deep Support Vector Data Description,Deep SVDD）对织物表面缺陷进行分类检测。实验结果表明,与传统的机器学习算法相比,该方法具有更高的分类精度,同时在训练过程中只使用了正常样本,因此本算法更适合工业生产过程。（4）针对深度学习CNN结构难以确定的问题,提出了使用随机漂移粒子群优化（Random Drift Particle Swarm Optimization,RDPSO）算法自动搜索得到最优的单类深度支持向量数据描述（One-class Deep SVDD）的全深度学习模型方法。该方法针对特定的织物表面缺陷数据集,可以实现端到端的分类检测。经实验证明这种自动搜索CNN结构的方法具有更好的分类检测性能,且通用性较强。